Bu repository, AI Engineer eğitimi sırasında geliştirdiğim projeleri içerir. 6 haftalık öğrenme planı takip edilerek, her hafta farklı bir konu üzerinde çalışılmıştır.

Her haftanın amacı, teorik altyapıyı pratiğe dökerek AI Engineer olarak becerilerini adım adım inşa etmektir.

• OOP kavramlarını tekrar et (class, inheritance, encapsulation)
• Fonksiyonel ve nesne yönelimli programlama farklarını öğren
• "Clean Code" kitabından ilk 2 bölümü oku
• Python ile basit bir sentiment analysis modeli geliştir (sklearn veya transformers ile)
• FastAPI kullanarak bu modeli REST API olarak yayınla
• Postman veya curl ile API endpoint'lerini test et
• Kodlarını main.py, requirements.txt ve README.md ile temiz şekilde düzenle

Proje: sentiment-analysis-api

• Docker nedir, ne işe yarar? Temel mimariyi öğren
• Basit bir Dockerfile oluştur ve API uygulamasını konteynerleştir
• Docker üzerinden servisi ayağa kaldır (port yönlendirmesi dahil)
• .env dosyası kullanarak config yönetimi yap
• Docker Compose ile servis yapılandırmasını otomatize et
• Terminalden log izleme ve hata ayıklama pratiği yap

Proje: docker-learning-project

• ML lifecycle aşamalarını öğren (training, validation, deployment, monitoring)
• MLflow kurulumu ve local UI başlatmayı öğren
• Sklearn ile küçük bir model eğitip log_params, log_metrics ile izlemeyi dene
• Modelin farklı versiyonlarını karşılaştır
• mlflow.log_artifact() ile model ve görselleri kaydet
• MLflow UI üzerinden geçmiş deneyleri analiz et
• Docker ile MLOps pipeline'ı containerize et
• Model deployment ve monitoring süreçlerini otomatize et

Proje: iris-mlops-project

• RAG (Retrieval-Augmented Generation) mimarisini kavra: Retriever + Generator + Prompt
• PDF dosyasını parçalayıp metinleri OpenAI embedding ile vektörleştir
• ChromaDB (veya FAISS) ile vektör veritabanı oluştur
• LangChain ile basit bir "dokümana dayalı chatbot" kur
• Soru-cevap akışını test et, embedding doğruluğunu ölç
• Farklı chunk size ve overlap değerleriyle deney yap

• OpenAI Function Calling dökümantasyonunu oku
• LangChain'de tool nedir, nasıl tanımlanır öğren
• "calculator tool" gibi basit bir tool entegre et
• Hava durumu veya haber API'lerini entegre ederek veri çek
• ReAct agent yapısını kullanarak çok adımlı bir işlem senaryosu kur
• Tool seçimlerinin neden önemli olduğunu test ederek kavra

• Git temel komutlarını (commit, branch, merge, rebase) tekrar et
• GitHub Actions ile her commit sonrası test ve deploy pipeline'ı oluştur
• Logging altyapısı kur: Python logging modülü ile merkezi loglama yap
• .env dosyası ile API key ve config bilgilerini güvenli taşı
• FastAPI ile CORS, rate limiting, hata yönetimi gibi güvenlik önlemleri ekle
• Docker ile versiyonlanabilir ve izlenebilir dağıtım yapısı kur

• FastAPI - Modern, hızlı web framework
• Python - Ana programlama dili
• Pydantic - Veri validasyonu

• Scikit-learn - ML algoritmaları
• NumPy - Sayısal işlemler
• Pandas - Veri manipülasyonu
• MLflow - ML experiment tracking ve model management

• Docker - Konteynerleştirme
• Docker Compose - Multi-service orchestration
• Git - Versiyon kontrolü
• GitHub - Kod hosting

• LangChain - LLM entegrasyonu
• ChromaDB - Vektör veritabanı
• GitHub Actions - CI/CD

ai-engineer-lab/
├── sentiment-analysis-api/     # Hafta 1: Sentiment Analysis API
│   ├── app/
│   │   ├── main.py
│   │   └── sentiment_model.py
│   ├── tests/
│   │   ├── test_api.py
│   │   └── test_curl.sh
│   ├── Dockerfile
│   ├── requirements.txt
│   └── README.md
├── docker-learning-project/    # Hafta 2: Docker Deployment
│   ├── app/
│   │   ├── main.py
│   │   ├── models.py
│   │   └── database.py
│   ├── docker/
│   │   ├── Dockerfile
│   │   └── docker-compose.yml
│   ├── config/
│   │   └── env.example
│   ├── scripts/
│   │   ├── build.sh
│   │   ├── run.sh
│   │   └── logs.sh
│   ├── docs/
│   │   ├── docker-basics.md
│   │   └── troubleshooting.md
│   ├── requirements.txt
│   └── README.md
├── iris-mlops-project/         # Hafta 3: MLOps with MLflow
│   ├── app/
│   │   ├── main.py
│   │   ├── models.py
│   │   ├── training.py
│   │   └── data_processor.py
│   ├── data/
│   │   └── processed/
│   ├── mlflow/
│   │   ├── experiments/
│   │   └── README.md
│   ├── notebooks/
│   │   ├── data_exploration.ipynb
│   │   ├── feature_importance.ipynb
│   │   └── model_comparison.ipynb
│   ├── scripts/
│   │   ├── train_models.sh
│   │   ├── start_mlflow.sh
│   │   └── deploy_model.sh
│   ├── docker/
│   │   ├── Dockerfile
│   │   └── docker-compose.yml
│   ├── docs/
│   │   ├── api_documentation.md
│   │   └── mlops_basics.md
│   ├── requirements.txt
│   └── README.md
├── [gelecek-proje-4]/         # Hafta 4: RAG System
├── [gelecek-proje-5]/         # Hafta 5: Agent Systems
├── [gelecek-proje-6]/         # Hafta 6: CI/CD
└── README.md                   # Bu dosya

# Iris MLOps projesini çalıştır
cd iris-mlops-project

# MLflow UI'ı başlat
./scripts/start_mlflow.sh

# Model eğitimi
./scripts/train_models.sh

# Docker ile çalıştır
docker-compose up -d

# Docker projesini çalıştır
cd docker-learning-project

# Build ve run
./scripts/build.sh
./scripts/run.sh

# API'yi çalıştır
cd sentiment-analysis-api
python -m uvicorn app.main:app --reload

• API Tasarımı: FastAPI ile modern REST API'ler
• Docker Containerization: Microservices deployment
• MLOps Pipeline: MLflow ile experiment tracking
• Model Management: Version control ve deployment
• Documentation: Comprehensive README ve API docs

• RAG Systems: Retrieval-Augmented Generation
• Agent Systems: Tool integration ve automation
• CI/CD: Automated testing ve deployment

Yasemin ARSLAN

• GitHub

Bu proje eğitim amaçlı geliştirilmiştir.

⭐ Bu repository'yi beğendiyseniz yıldız vermeyi unutmayın!